《个性化机器学习 [美]朱利安·麦考利》[73]百度网盘|亲测有效|pdf下载

编辑推荐

·源于作者在加利福尼亚大学圣迭戈分校讲授的“推荐系统”和“网络挖掘”课程，在线提供代码示例和数据集，适合第一次接触机器学习相关课程的读者。 ·涵盖从电子商务到健康领域的一系列案例研究，专注于在大型的真实数据集上构建示例，提高读者为不同应用设计模型和系统的能力。 ·快速构建可行的解决方案，并涵盖广泛的方法，而不是过于深入研究某一种方法背后的理论知识，帮助读者了解构建系统时的实际考虑因素。

内容简介

本书主要介绍支持各种设置和模态的个性化预测模型设计的通用原理和方法。首先修订“传统”机器学习模型，重点关注如何使它们适应涉及用户数据的设置，然后介绍基于矩阵分解、深度学习和生成式建模等高级原理的技术，zui后详细研究部署个性化预测系统的影响和风险。

作者简介

朱利安·麦考利（Julian McAuley）加州大学圣地亚哥分校教授。他的主要研究领域是个性化机器学习，其应用范围从个性化推荐到对话、医疗保健和时装设计。他与亚马逊、Facebook、微软、Salesforce和Etsy等公司有广泛的合作，并曾获得众多奖项，包括美国国家科学基金会职业奖，以及亚马逊、Salesforce、Facebook和高通等公司的教师奖。

目　　录

译者序
前言
常用数学符号
常用缩写
第1章　引言 1
1.1　本书写作目的 1
1.2　对于学习者：涵盖的内容和未涵盖的内容 2
1.3　对于讲师：课程和内容大纲 3
1.4　在线资源 4
1.5　关于作者 5
1.6　日常生活中的个性化 5
1.6.1　推荐 5
1.6.2　个性化健康 6
1.6.3　计算社会科学 6

译者序 前言 常用数学符号 常用缩写 第1章　引言	1 1.1　本书写作目的	1 1.2　对于学习者：涵盖的内容和未涵盖的内容	2 1.3　对于讲师：课程和内容大纲	3 1.4　在线资源	4 1.5　关于作者	5 1.6　日常生活中的个性化	5 1.6.1　推荐	5 1.6.2　个性化健康	6 1.6.3　计算社会科学	6 1.6.4　语言生成、个性化对话和交互式代理	7 1.7　个性化技术	7 1.7.1　作为流形的用户表示	7 1.7.2　上下文个性化和基于模型的个性化	8 1.8　个性化的伦理和影响	8 第一部分　机器学习入门 第2章　回归和特征工程	12 2.1　线性回归	13 2.2　评估回归模型	16 2.2.1　均方误差	16 2.2.2　为什么是均方误差	17 2.2.3　模型参数的极大似然估计	18 2.2.4　决定系数R2	19 2.2.5　如果误差不是正态分布该怎么办	20 2.3　特征工程	21 2.3.1　简单特征变换	21 2.3.2　二元特征和分类特征：独热编码	22 2.3.3　缺失特征	24 2.3.4　时序特征	25 2.3.5　输出变量的转换	26 2.4　解释线性模型参数	27 2.5　梯度下降拟合模型	28 2.6　非线性回归	29 习题	30 项目1：出租车小费预测（第1部分）	31 第3章　分类和学习流程	32 3.1　对数几率回归	32 3.1.1　拟合对数几率回归器	34 3.1.2　小结	34 3.2　其他分类技术	34 3.3　评估分类模型	35 3.3.1　分类的平衡度量	36 3.3.2　优化平衡错误率	37 3.3.3　使用和评估用于排名的分类器	38 3.4　学习流程	41 3.4.1　泛化、过拟合和欠拟合	41 3.4.2　模型复杂度和正则化	43 3.4.3　模型流程准则	46 3.4.4　使用TensorFlow的回归和分类	47 3.5　实现学习流程	48 习题	51 项目2：出租车小费预测（第2部分）	52 第二部分　个性化机器学习的 　 基础知识 第4章　推荐系统简介	54 4.1　基本设置和问题定义	54 4.2　交互数据的表示	56 4.3　基于记忆的推荐方法	57 4.3.1　定义相似度函数	57 4.3.2　杰卡德相似度	58 4.3.3　余弦相似度	60 4.3.4　皮尔逊相似度	62 4.3.5　使用相似度测量方法进行评分预测	64 4.4　随机游走方法	65 4.5　案例研究：Amazon.com的推荐	67 习题	68 项目3：针对书籍的推荐系统 （第1部分）	69 第5章　基于模型的推荐方法	70 5.1　矩阵分解	71 5.1.1　拟合潜在因子模型	73 5.1.2　用户特征或物品特征发生了什么变化	75 5.2　隐式反馈和排序模型	76 5.2.1　样本重加权方案	76 5.2.2　贝叶斯个性化排序	77 5.3　基于“无用户”模型的方法	79 5.3.1　稀疏线性方法	80 5.3.2　分解的物品相似度模型	81 5.3.3　其他无用户方法	81 5.4　评估推荐系统	82 5.4.1　精确率@K和召回率@K	83 5.4.2　平均倒数排名	83 5.4.3　累积增益和NDCG	84 5.4.4　模型准确率之外的评估指标	84 5.5　用于推荐的深度学习	84 5.5.1　为什么是内积	84 5.5.2　基于多层感知机的推荐	85 5.5.3　基于自编码器的推荐	87 5.5.4　卷积和循环网络	88 5.5.5　基于深度学习的推荐器能多有效	88 5.6　检索	89 5.7　在线更新	90 5.8　Python中带有Surprise库和Implicit库的推荐系统	90 5.8.1　潜在因子模型	91 5.8.2　贝叶斯个性化排序	91 5.8.3　在TensorFlow中实现潜在因子模型	92 5.8.4　TensorFlow中的贝叶斯个性化排序	92 5.8.5　基于批处理的高效优化	93 5.9　超越推荐的“黑箱”观点	94 5.10　历史和新兴方向	94 习题	95 项目4：针对书籍的推荐系统 （第2部分）	96 第6章　推荐系统中的内容和结构	97 6.1　分解机	98 6.1.1　神经因子分解机	99 6.1.2　在Python中使用FastFM的分解机	99 6.2　冷启动推荐	100 6.2.1　用边信息解决冷启动问题	101 6.2.2　通过问卷解决冷启动问题	101 6.3　多边推荐	102 6.3.1　在线交友	102 6.3.2　易货平台	103 6.4　群体感知推荐和社交感知推荐	104 6.4.1　社交感知推荐	104 6.4.2　社交贝叶斯个性化排序	106 6.4.3　群体感知推荐	107 6.4.4　群体贝叶斯个性化排序	108 6.5　推荐系统中的价格动态	109 6.5.1　分离价格和偏好	109 6.5.2　在会话中估计愿意支付的价格	110 6.5.3　价格敏感性和价格弹性	111 6.6　推荐中的其他上下文特征	112 6.6.1　音乐和音频	112 6.6.2　基于位置的网络中的推荐	113 6.6.3　时序、文本和视觉特征	114 6.7　在线广告	114 6.7.1　匹配问题	115 6.7.2　AdWords	115 习题	117 项目5：Amazon上的冷启动推荐	118 第7章　时序和序列模型	119 7.1　时间序列回归简介	119 7.2　推荐系统中的时序动态	121 7.2.1　时序推荐方法	122 7.2.2　案例研究：时序推荐和Netflix竞赛	123 7.2.3　关于时序模型Netflix能教会我们什么	126 7.3　时序动态的其他方法	126 7.3.1　意见的长期动态	127 7.3.2　短期动态和基于会话的推荐	127 7.3.3　用户层面的时间演变	128 7.4　个性化马尔可夫链	129 7.5　案例研究：用于推荐的马尔可夫链模型	130 7.5.1　分解的个性化马尔可夫链	130 7.5.2　社交感知的序列推荐	131 7.5.3　基于局部性的序列推荐	132 7.5.4　基于平移的推荐	133 7.5.5　TensorFlow实现FPMC	134 7.6　循环网络	135 7.7　基于神经网络的序列推荐	137 7.7.1　基于循环网络的推荐	139 7.7.2　注意力机制	139 7.7.3　小结	140 7.8　案例研究：个性化心率建模	141 7.9　个性化时序模型的历史	142 习题	142 项目6：商业评论中的时序和 序列动态	143 第三部分　个性化机器学习的 　 新兴方向 第8章　文本个性化模型	146 8.1　文本建模基础：词袋模型	146 8.1.1　情感分析	146 8.1.2　N-gram	149 8.1.3　词相关性和文档相似度	151 8.1.4　使用tf-idf进行搜索和检索	153 8.2　分布式词和物品表示	153 8.2.1　item2vec	155 8.2.2　使用Gensim实现word2vec和item2vec	155 8.3　个性化情感和推荐	156 8.4　个性化文本生成	158 8.4.1　基于RNN的评论生成	160 8.4.2　案例研究：个性化食谱生成	161 8.4.3　基于文本的解释和证明	162 8.4.4　对话式推荐	163 8.5　案例研究：Google Smart Reply	165 习题	166 项目7：个性化文档检索	167 第9章　视觉数据个性化模型	168 9.1　个性化图像搜索和检索	168 9.2　视觉感知推荐和个性化排序	169 9.3　案例研究：视觉和时尚兼容性	171 9.3.1　从共同购买中估计兼容性	171 9.3.2　在开放场景的图像中学习兼容性	173 9.3.3　生成时尚衣柜	174 9.3.4　时尚之外的领域	175 9.3.5　可替代和互补产品推荐的其他技术	175 9.3.6　在TensorFlow中实现兼容模型	177 9.4　图像的个性化生成模型	178 习题	179 项目8：生成兼容的服装搭配	180 第10章　个性化机器学习的影响	182 10.1　度量多样性	183 10.2　过滤气泡、多样性和极端化	184 10.2.1　通过模拟探索多样性	184 10.2.2　实证度量推荐多样性	185 10.2.3　审核极端内容的途径	185 10.3　多样化技术	186 10.3.1　最大边缘相关	186 10.3.2　多样化推荐的其他重排序方法	187 10.3.3　行列式点过程	187 10.4　实现一个多样化推荐器	189 10.5　关于推荐和消费多样性的案例研究	191 10.5.1　Spotify上的多样性	191 10.5.2　过滤气泡和在线新闻消费	192 10.6　准确率之外的其他指标	194 10.6.1　惊喜度	194 10.6.2　意外度	195 10.6.3　校准	196 10.7　公平性	197 10.7.1　多方面公平性	198 10.7.2　在TensorFlow中实现公平性目标	199 10.8　关于推荐中性别偏置的案例研究	200 10.8.1　数据重采样和流行度偏置	200 10.8.2　书籍推荐中的偏置和作者性别	201 10.8.3　营销中的性别偏置	201 习题	202 项目9：多样性和公平推荐	203 参考文献	204

显示全部信息

前　　言

前　　言
Personalized Machine Learning
我们每天都在与机器学习系统进行交互，它为我们的娱乐、社交关系、购物和健康提供了个性化的预测。这些交互过程会涉及一些数据模态，从点击序列到文本、图像和社交互动。本书介绍了支持各种设置和模态的个性化预测模型设计的通用原理和方法。
本书首先修订了“传统”机器学习模型，重点关注如何使它们适应涉及用户数据的设置，然后介绍了基于矩阵分解、深度学习和生成模型等高级原理的技术，最后详细研究了部署个性化预测系统的影响和风险。
从电子商务到健康等领域的一系列案例研究，加上实践项目和代码示例，将会帮助读者了解和体验大规模的真实世界数据集，提高为众多应用设计模型和系统的能力。